Cours n°01 : Introduction à l’inférence bayésienne Cours n°02 : Modèle Beta-Binomial Cours n°03 : Introduction à brms, modèle de régression linéaire Cours n°04 : Modèle de régression linéaire (suite) Cours n°05 : Markov Chain Monte Carlo Cours n°06 : Modèle linéaire généralisé Cours n°07 : Comparaison de modèles Cours n°08 : Modèles multi-niveaux Cours n°09 : Modèles multi-niveaux généralisés Cours n°10 : Data Hackathon
Modèles multi-niveaux
Le but est de construire un modèle qui puisse apprendre à plusieurs niveaux, qui puisse produire des estimations qui seront informées par les différents groupes présents dans les données. Nous allons suivre l’exemple suivant tout au long de ce cours.
Imaginons que nous ayons construit un robot visiteur de cafés, et que celui-ci s’amuse à mesurer le temps d’attente après avoir commandé. Ce robot visite 20 cafés différents, 5 fois le matin et 5 fois l’après-midi.
Robot et café
library(tidyverse)library(imsb)df <-open_data(robot)head(x = df, n =15)
Est-ce qu’on ne pourrait pas faire en sorte que le temps mesuré au café 1 informe la mesure réalisée au café 2, et au café 3 ? Ainsi que le temps moyen pour être servi ? Nous allons apprendre le prior à partir des données…
Le prior de l’intercept pour chaque café (\(\alpha_{\text{café}}\)) est maintenant fonction de deux paramètres (\(\alpha\) et \(\sigma_{\text{café}}\)). \(\alpha\) et \(\sigma_{\text{café}}\) sont appelés des hyper-paramètres, ce sont des paramètres pour des paramètres, et leurs priors sont appelés des hyperpriors. Il y a deux niveaux dans le modèle…
On peut toujours “enlever” la moyenne d’une distribution gaussienne et la considérer comme une constante plus une gaussienne centrée sur zéro.
NB : quand \(\alpha\) est défini dans le modèle linéaire, les \(\alpha_{\text{café}}\) représentent des déviations de l’intercept moyen. Il faut donc ajouter \(\alpha\) et \(\alpha_{\text{café}}\) pour obtenir le temps d’attente moyen par café…
mod3 <-brm( wait ~1+ (1| cafe),prior =c(set_prior("normal(5, 10)", class ="Intercept"),set_prior("cauchy(0, 2)", class ="sigma"),set_prior("cauchy(0, 2)", class ="sd") ),data = df,warmup =1000, iter =5000,cores = parallel::detectCores() )
Ce modèle a 23 paramètres, l’intercept général \(\alpha\), la variabilité résiduelle \(\sigma\), la variabilité entre les cafés \(\sigma_{\text{café}}\), et un intercept par café.
The James-Stein estimator is defined as \(z = \bar{y} + c(y - \bar{y})\), where \(\bar{y}\) is the grand average, \(y\) an individual estimation and \(c\) a constant, the “shrinking factor” (Efron & Morris, 1977).
The James-Stein estimator is determined both by the variability in the measure (e.g., its standard deviation, influencing the shrinking factor \(c\)) and by its distance to the average estimation (i.e., \(y - \bar{y}\)). In other words, extreme observations are trusted less. Shrinkage therefore acts as a safeguard against overfitting in multilevel models.
Pooling
Le shrinkage observé slide précédente est dû à des phénomènes de partage (pooling) de l’information entre les cafés. L’estimation de l’intercept pour chaque café informe l’estimation de l’intercept des autres cafés, ainsi que l’estimation de l’intercept général (i.e., la moyenne générale).
On distingue en général trois perspectives (ou stratégies) :
Complete pooling : on suppose que le temps d’attente est invariant, on estime un intercept commun (mod1)
No pooling : on suppose que les temps d’attente de chaque café sont uniques et indépendants: on estime un intercept par café, mais sans informer le niveau supérieur (mod2)
Partial pooling : on utilise un prior adaptatif, comme dans l’exemple précédent (mod3)
La stratégie complete pooling en général underfit les données (faibles capacités de prédiction) tandis que le stratégie no pooling revient à overfitter les données (faibles capacités de prédiction ici aussi). La stratégie partial pooling (celle des modèles multi-niveaux) permet de balancer underfitting et overfitting.
Comparaison de modèles
On peut comparer ces trois modèles en utilisant le WAIC (discuté au Cours n°07).
# calcul du WAIC et ajout du WAIC à chaque modèlemod1 <-add_criterion(mod1, "waic")mod2 <-add_criterion(mod2, "waic")mod3 <-add_criterion(mod3, "waic")# comparaison des WAIC de chaque modèlew <-loo_compare(mod1, mod2, mod3, criterion ="waic")print(w, simplify =FALSE)
On remarque que le modèle 3 a seulement 18 effective parameters (pWAIC), et moins de paramètres que le modèle 2, alors qu’il en a en réalité 2 de plus… posterior_summary(mod3)[3, 1] nous donne le sigma du prior adaptatif des \(\alpha_{\text{café}}\) (\(\sigma_{\text{café}} = 0.82\)). On remarque que ce sigma est très faible et correspond à assigner un prior très contraignant, ou régularisateur.
Comparaison de modèles
On compare le premier modèle (complete pooling model) et le troisième modèle (partial pooling model).
Les deux modèles font la même prédiction (en moyenne) pour \(\alpha\), mais le modèle 3 est plus incertain de sa prédiction que le modèle 1…
L’estimation de \(\sigma\) du modèle 3 est plus petite que celle du modèle 1 car le modèle 3 décompose la variabilité non expliquée en deux sources : la variabilité du temps d’attente entre les cafés \(\sigma_{\text{café}}\) et la variabilité résiduelle \(\sigma\).
Robot et café
Imaginons que notre robot ne visite pas tous les cafés le même nombre de fois (comme dans le cas précédent) mais qu’il visite plus souvent les cafés proches de chez lui…
df2 <-open_data(robot_unequal)mod4 <-brm( wait ~1+ (1| cafe),prior =c(set_prior("normal(5, 10)", class ="Intercept"),set_prior("cauchy(0, 2)", class ="sigma"),set_prior("cauchy(0, 2)", class ="sd") ),data = df2,warmup =1000, iter =5000,cores = parallel::detectCores() )
Shrinkage
On observe que les cafés qui sont souvent visités (à droite) subissent moins l’effet du shrinkage. Leur estimation est moins “tirée” vers la moyenne générale que les estimations des cafés les moins souvent visités (à gauche).
Aparté : effets fixes et effets aléatoires
Cinq définitions (contradictoires) relevées par Gelman (2005).
Fixed effects are constant across individuals, and random effects vary.
Effects are fixed if they are interesting in themselves or random if there is interest in the underlying population.
When a sample exhausts the population, the corresponding variable is fixed; when the sample is a small (i.e., negligible) part of the population the corresponding variable is random.
If an effect is assumed to be a realized value of a random variable, it is called a random effect.
Fixed effects are estimated using least squares (or, more generally, maximum likelihood) and random effects are estimated with shrinkage.
Gelman & Hill (2006) suggèrent plutôt l’utilisation des termes de constant effects et varying effects, et de toujours utiliser la modèlisation multi-niveaux, en considérant que ce qu’on appelle effet fixe peut simplement être considéré comme un effet aléatoire dont la variance serait égale à \(0\).
Régularisation et terminologie
Le fait de faire varier les intercepts de chaque café est simplement une autre manière de régulariser (de manière adaptative), c’est à dire de diminuer le poids accordé aux données dans l’estimation. Le modèle devient à même d’estimer à quel point les groupes (ici les cafés) sont différents, tout en estimant les caractéristiques de chaque café…
Différence entre les cross-classified (ou crossed) multilevel models et nested or hierarchical multilevel models. Le premier type de modèle concerne des données structurées selon deux (ou plus) facteurs aléatoires non nichés. Le deuxième type de modèles concerne des données structurées de manière hiérarchique (e.g., un élève dans une classe dans une école dans une ville…). Voir ce thread pour plus de détails.
Les deux types de modèles s’écrivent cependant de manière similaire, sur plusieurs niveaux. Le terme “multi-niveaux” (dans notre terminologie) fait donc référence à la structure du modèle, à sa spécification. À distinguer de la structure des données.
Exemple de modèle “cross-classified”
On pourrait se poser la question de savoir si la récence des cafés (leur âge) ne serait pas une source de variabilité non contrôlée ? Il suffit d’ajouter un intercept qui varie par âge, et de lui attribuer un prior adaptatif.
Où \(A_{i}\) est une dummy variable codée 0/1 pour le matin et l’après-midi et \(\beta_{\text{café}}\) est un paramètre de différence entre le matin et l’après-midi.
Remarque : on sait que les cafés ont des intercepts et des pentes qui covarient… Les cafés populaires seront surchargés le matin et beaucoup moins l’après-midi, résultant en une pente importante. Ces cafés auront aussi un temps d’attente moyen plus long (i.e., un intercept plus grand). Dans ces cafés, \(\alpha\) est grand et \(\beta\) est loin de zéro. À l’inverse, dans un café peu populaire, le temps d’attente sera faible, ainsi que la différence entre matin et après-midi.
On pourrait donc utiliser la co-variation entre intercept et pente pour faire de meilleures inférences. Autrement dit, faire en sorte que l’estimation de l’intercept informe celle de la pente, et réciproquement.
Robot et café : varying intercept + varying slope
On s’intéresse maintenant à l’effet du moment de la journée sur le temps d’attente. Attend-on plus le matin, ou l’après-midi ?
La troisième ligne postule que chaque café a un intercept \(\alpha_{\text{café}}\) et une pente \(\beta_{\text{café}}\), définis par un prior Gaussien bivarié (i.e., à deux dimensions) ayant comme moyennes \(\alpha\) et \(\beta\) et comme matrice de covariance \(\textbf{S}\).
\(\textbf{S}\) est définie en factorisant \(\sigma_{\alpha}\), \(\sigma_{\beta}\), et la matrice de corrélation \(\textbf{R}\). La suite du modèle définit simplement les priors pour les effets constants. La dernière ligne spécifie le prior pour \(\textbf{R}\).
LKJ prior
D’après Lewandowski et al. (2009). Un seul paramètre \(\zeta\) spécifie la concentration de la distribution du coefficient de corrélation. Le prior \(\mathrm{LKJ}(2)\) définit un prior peu informatif pour \(\rho\) qui est sceptique des corrélations extrêmes (i.e., proches de \(-1\) ou \(1\)).
Rappels de syntaxe
Le package brms utilise la même syntaxe que les fonctions de base R (comme lm) ou que le package lme4.
Reaction ~ Days + (1+ Days | Subject)
La partie gauche représente notre variable dépendante (ou outcome, i.e., ce qu’on essaye de prédire).
La partie droite permet de définir les prédicteurs. L’intercept est généralement implicite, de sorte que les deux écritures ci-dessous sont équivalentes.
c(Reaction, Memory) ~ Days + (1+ Days | Subject)c(Reaction, Memory) ~1+ Days + (1+ Days | Subject)
Rappels de syntaxe
La première partie de la partie droite de la formule représente les effets constants (effets fixes), tandis que la seconde partie (entre parenthèses) représente les effets variables (effets aléatoires).
c(Reaction, Memory) ~ Days + (1| Subject)c(Reaction, Memory) ~ Days + (Days | Subject)
Le premier modèle ci-dessus contient seulement un intercept variable, qui varie par Subject. Le deuxième modèle contient également un intercept variable, mais aussi une pente variable pour l’effet de Days.
Rappels de syntaxe
Lorsqu’on inclut plusieurs effets variables (e.g., un intercept et une pente variables), brms postule qu’on souhaite aussi estimer la corrélation entre ces deux effets. Dans le cas contraire, on peut supprimer cette corrélation (i.e., la fixer à 0) en utilisant ||.
c(Reaction, Memory) ~ Days + (1+ Days || Subject)
Les modèles précédents postulaient un modèle génératif Gaussien. Ce postulat peut être changé facilement en spécifiant la fonction souhaitée via l’argument family.
brm(Reaction ~1+ Days + (1+ Days | Subject), family =lognormal() )
Modèle brms
On spécifie un intercept et une pente (pour l’effet d’afternoon) qui varient par cafe.
mod5 <-brm( wait ~1+ afternoon + (1+ afternoon | cafe),prior =c(set_prior("normal(0, 10)", class ="Intercept"),set_prior("normal(0, 10)", class ="b"),set_prior("cauchy(0, 2)", class ="sigma"),set_prior("cauchy(0, 2)", class ="sd") ),data = df,warmup =1000, iter =5000,cores = parallel::detectCores() )
Distribution postérieure
post <-as_draws_df(x = mod5) # extracts posterior samplesR <- rethinking::rlkjcorr(n =16000, K =2, eta =2) # samples from priordata.frame(prior = R[, 1, 2], posterior = post$cor_cafe__Intercept__afternoon) %>%gather(type, value, prior:posterior) %>%ggplot(aes(x = value, color = type, fill = type) ) +geom_histogram(position ="identity", alpha =0.2) +labs(x =expression(rho), y ="Nombre d'échantillons")
Shrinkage en deux dimensions
Comparaison de modèles
On compare le premier modèle (complete pooling model), le troisième modèle (partial pooling model), et le dernier modèle.
# comparaison des WAIC de chaque modèlemod5 <-add_criterion(mod5, "waic")w <-loo_compare(mod1, mod2, mod3, mod5, criterion ="waic")print(w, simplify =FALSE)
L’estimation du temps d’attente moyen est plus incertaine lorsqu’on prend en compte de nouvelles sources d’erreur. Cependant, l’erreur du modèle (i.e., ce qui n’est pas expliqué), la variation résiduelle \(\sigma\), diminue…
Les modèles multi-niveaux (ou “modèles mixtes”) sont des extensions naturelles des modèles de régression classiques, où les paramètres de ces derniers se voient eux-même attribués des “modèles”, gouvernés par des hyper-paramètres.
Cette extension permet de faire des prédictions plus précises en prenant en compte la variabilité liée aux groupes ou structures (clusters) présent(e)s dans les données. Autrement dit, en modélisant les populations d’où sont tirés les effets aléatoires (e.g., la population de participants ou de stimuli).
Un modèle de régression classique est équivalent à un modèle multi-niveaux où la variabilité des effets aléatoires serait fixée à \(0\).
La cadre bayésien permet une interprétation naturelle des distributions desquelles proviennent les effets aléatoires (varying effects). En effet, ces distributions peuvent être interprétées comme des distributions a priori, dont les paramètres sont estimés à partir des données.
mod7 <-brm( Reaction ~1+ Days + (1| Subject),prior =c(set_prior("normal(200, 100)", class ="Intercept"),set_prior("normal(0, 10)", class ="b"),set_prior("cauchy(0, 10)", class ="sigma"),set_prior("cauchy(0, 10)", class ="sd") ),data = sleepstudy,warmup =1000, iter =5000,cores = parallel::detectCores() )
mod8 <-brm( Reaction ~1+ Days + (1+ Days | Subject),prior =c(set_prior("normal(200, 100)", class ="Intercept"),set_prior("normal(0, 10)", class ="b"),set_prior("cauchy(0, 10)", class ="sigma"),set_prior("cauchy(0, 10)", class ="sd") ),data = sleepstudy,warmup =1000, iter =5000,cores = parallel::detectCores() )
# calcul du WAIC et ajout du WAIC à chaque modèlemod6 <-add_criterion(mod6, "waic")mod7 <-add_criterion(mod7, "waic")mod8 <-add_criterion(mod8, "waic")# comparaison des WAIC de chaque modèlew <-loo_compare(mod6, mod7, mod8, criterion ="waic")print(w, simplify =FALSE)
Lewandowski, D., Kurowicka, D., & Joe, H. (2009). Generating random correlation matrices based on vines and extended onion method. Journal of Multivariate Analysis, 100(9), 1989–2001. https://doi.org/10.1016/j.jmva.2009.04.008